Anais 2º Simpósio de Geotecnologias no Pantanal, Corumbá, 7-11 novembro 2009, Embrapa Informática Agropecuária/INPE, p
|
|
- Heloísa Lencastre Felgueiras
- 6 Há anos
- Visualizações:
Transcrição
1 Avaliação da acurácia dos classificadores de máxima verossimilhança, mínima distância euclidiana e isodata na classificação de imagens da região do Pantanal Atilio Efrain Bica Grondona 1 1 Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia - UFRGS Av. Bento Gonçalves, Caixa Postal Porto Alegre - RS, Brasil Atilio.grondona@ufrgs.br Resumo. O trabalho que segue tem como objetivo avaliar três classificadores digitais: ISODATA, MaxVer e Mínima Distância Euclidiana, na classificação de cenas TM-LANDSAT 5 tomadas na região do Pantanal. Para a classificação da imagem foram utilizados parâmetros a priori, como número de classes e amostras de cada classe, com a finalidade de termos os mesmos parâmetros ao gerar a imagem temática. Como medidas de acurácia foram escolhidas o índice kappa, as tabelas de contingência, as verdades de campo, além da inspeção visual das imagens temáticas. De posse destes dados, é possível avaliar o desempenho de cada um dos classificadores, onde é constatado que devido ao número representativo de amostras para cada classe, o melhor desempenho foi obtido pelo classificador MaxVer, que obteve 92,0% de acurácia, porém, apesar do bom desempenho global, a classe dos cultivos obteve apenas 71,2% de acurácia, o que é devido ao número de amostras ser relativamente pequeno. Com isso conclui-se que, ao se ter um número representativo de amostras para cada classe, o método que apresenta melhor desempenho na classificação de uma cena digital na região analisada é o MaxVer. Palavras-chave: sensoriamento remoto, classificação de imagens, acurácia, Pantanal. 433
2 Abstract. The following paper aims to evaluate three digital classifiers: ISODATA, MaxVer and Minimum Euclidean Distance in the classification of Landsat-TM 5 scenes acquired in the region of the Pantanal. For the image classification a priori parameters were used as the number of classes and samples of each class, with purpose to have the same parameters as the thematic image is generated. As measures of accuracy, "kappa" index was chosen, contingency tables and the ground truths as well; besides visual inspection of thematic images. Using this data, is possible to evaluate the performance of individual classifiers, where is found that owing the number of representative samples for each class, the best performance was obtained by the classifier MaxVer, witch obtained 92.0% accuracy, however, despite the overall good performance, the class of crops reached only 71.2% accuracy, which is due to the number of samples be relatively small. Thus it is concluded that by having a representative number of samples for each class, the method that had better performance in classification of a digital scene in the region under consideration is MaxVer. Key-words: remote sensing, image classification, accuracy, compare. 1. Introdução As imagens de satélites, em meio digital, contêm informações sobre alvos na superfície que podem ser extraídas através do processo de classificação. Esse processo se baseia na distinção e identificação de diferentes alvos que possuem comportamentos espectrais diferenciados, permitindo uma classificação com base em atributos puramente espectrais. A classificação temática de imagens associa cada pixel da imagem a um determinado rótulo, obtendo-se como resultado um determinado tema. Existem essencialmente duas abordagens na classificação de imagens multiespectrais de sensoriamento remoto: a classificação supervisionada e a nãosupervisionada, Crosta (1992). Na primeira, classificação supervisionada, através de algoritmos pré-estabelecidos, o usuário procura identificar pontos na imagem pertencentes a classes desejadas, deixando ao programa de classificação a identificação de todos os demais pixels pertencentes àquelas classes. Já o processo de classificação não supervisionada consiste em atribuir cada pixel da imagem a um grupo de classe. Ao trabalhar com mapas e informações provenientes de imagens de satélite em larga escala, a automatização do processo de classificação dos temas é crucial para uma análise sob o ponto de vista técnico e de subsídio a instrumentos de fomento governamental. O método de classicação que apresenta o melhor desempenho pode variar dependendo das características individuais de cada região. A maneira mais comum para expressar a precisão da cassificaçao automática, tanto de imagens quanto de mapas, está na declaração da porcentagem da área de mapa que foi corretamente classificada quando comparada com dados de referência ou verdade de campo, denominada Exatidão Global. Esta declaração normalmente é derivada de uma contraparte da classificação correta gerada por amostragem dos dados classificados, e expressa na forma de matriz de erro, algumas vezes denominada de matriz de confusão ou tabela de contingência, Story & Congalton (1986). Uma método que pode ser utilizado o índice Kappa (K) como uma medida de precisão importante a ser associada à matriz de erro, por representá-la inteiramente, isto é, considerando todos os elementos da matriz e não apenas aqueles que se situam na diagonal principal. A coleta dos dados de referência, ou seja, aqueles que representam a situação real de campo à época da obtenção da imagem, é uma etapa essencial de qualquer projeto de classificação e mapeamento envolvendo dados obtidos por meio de sensoriamento remoto. Esses dados são usados para verificar a acurácia da classificação, bem como detectar distinção entre classes e aperfeiçoar o processo de treinamento do classificador. 434
3 2. Objetivo O objetivo deste trabalho é avaliar três classificadores digitais, ISODATA, Máxima Verossimilhança e Mínima Distância Euclidiana, na classificação de uma imagem digital na região do Pantanal, e comparar as imagens temáticas geradas por cada método para que em conjunto com as verdades de campo, e o índice kappa seja possível escolher qual classificador desempenha melhor a separação por classes dados parâmetros fixos definidos a priori para os temas que caracterizam a região analisada. 3. Material e Métodos Para a realização do trabalho foram estudados os métodos de classificação supervisionados de Mínima Distância Euclidiana e Máxima Verossimilhança (MAXVER), e o método não supervisionado Iterative Self-Organizing Data Analysis Techniques (ISODATA). A imagem escolhida possuí órbita ponto 227/73 com data (Figura 1), e é do estado de Mato Grosso do sul, da região de Corumbá, onde constam queimadas com verdades de campo fornecidas pela Embrapa Pantanal. A cena do sensor TM5 a bordo do satélite LANDSAT possuí sete bandas espectrais com numeração de 1 a 7, sendo que cada banda representa uma faixa do espectro eletromagnético captada pelo sensor, a resolução espacial deste sensor é de 30m nas bandas 1,2,3,4,5 e 7 e de 120m na banda 6 (termal). Para a classificação da imagem utilizamos os mesmos parâmetros em cada classificador e todas as bandas com exceção da banda 7 que é do termal, de forma a termos nas diferentes classificações os mesmos dados iniciais, como o número de classes e as amostras para cada classe, permitindo com isso a posterior comparação da eficiência dos diferentes processos,. O número de classes considerado, sendo sete classes no total, foram: vegetação (cultivo, vegetação, vegetação densa), solo, nuvem, queimadas e água/sombra, as amostras para cada classe, somando um total de 60 amostras selecionadas na imagem. A opção em concatenar água e sombra em uma única classe deve-se ao fato da resposta espectral da sombra ser semelhante ao alvo água, e também porque para delimitarmos os corpos de água, nesta imagem, bastaria utilizar a banda 4(infra-vermelho próximo) do TM5, onde toda a radiação é absorvida nesta região do espectro eletromagnético. 4. Resultados e Discussão Máxima Verossimilhança e Mínina Distância Euclidiana Abaixo temos as tabelas de desempenho dos classificadores de Máxima Verrosimilhança (Tabela 1) e Mínima Distancia Euclidiana (Tabela2). 435
4 Tabela 1. Desempenho dos classificadores de Máxima Verrosimilhança Nome Número Acurácia+ Número Classe Classe (%) Amostras vegetação veg_densa Nuvem agua_sombra Solo queimada Cultivos TOTAL Confiabilidade da Acurácia (%)* Desempenho Global da classe ( / ) = 93.6% Kappa Estatística (X100) = 92.0%. Tabela 2. Desempenho dos classificadores de Mínima Distancia Euclidiana. Nome Número Acurácia+ Número Classe Classe (%) Amostras vegetação veg_densa Nuvem agua_sombra Solo queimada Cultivos TOTAL Confiabilidade da Acurácia (%)* Desempenho Global da classe ( / ) = 88.0% Kappa Estatistica (X100) = 85.0%. + Acurácia do produtor. * Acurácia do usuário. Para o cálculo da estatística kappa, Congalton and Green (1999), foram tomadas como amostras de teste as mesmas amostras de treinamento, e a estatística é dada pela seguinte expressão matemática: P0 Pc k = 1 Pc Onde: P é a acurácia observada; 0 P é a acurácia que ocorreu por mudanças; c A Figura 1, que é a composição falsa cor R:5, G:4 e B:3, estão distribuídas em marrom escuro as queimadas, em branco as nuvens, com tons de verde a vegetação e suas subclasses, preto e azul escuro a água e as sombras e finalizando com tons de laranja o solo. 436
5 Figura 1. Composição R5G4B3 imgem LANDSAT da região de Corumbá, MS. Conforme as duas tabelas anteriores é possível ver a acurácia na seleção das amostras perante ambos os métodos de classificação supervisionados, sendo no MaxVer de 93,6% e na Mínima distância Euclidiana de 88,0%, de pose destes valores é possível considerar que as amostras são representativas dentro a imagem a ser classificada. Também era esperarado que o classificador MaxVer gerasse um resultado mais factível que a Mínima Distância Euclidiana, e a confirmação deste fato é dada pela estatística Kappa, que é 92,0% e 85,5%, respectivamente, para o MAXVER e Mínima Distância Euclidiana (concordância excelente para o MaxVer). O que é claramente visível ao compararmos a composição falsa cor (Figura 1), com as imagens temáticas do MaxVer (Figura 2) e Mínima Distância Euclidiana (Figura 3), com ambas figuras seguindo à seguinte distribuição: em azul os cultivos, verde escuro a vegetação densa e verde claro a vegetação, laranja o solo, marrom as queimadas, em branco as nuvens e em preto as sombras e águas. 437
6 Anais 2º Simpósio de Geotecnologias no Pantanal, Corumbá, 7-11 novembro 2009, Figura 3. Imagem classificada pelo método Mínima Distância Euclidiana. Figura 2. Imagem classificada pelo método MaxVer. Os cultivos, tanto em um método como no outro, não retornaram bons resultados sendo classificados erroneamente como vegetação, isto é atribuido ao fato das amostras tanto de cultivo quando de vegetação terem médias e desvios-padrão muito próximos (Tabela 3) em todas as bandas utilizadas para a classificação. A vegetação densa obteve melhor resultado, pois nas bandas 4, 5 e 6 as suas médias e desvios-padrão são bem distintos das outras duas classes (vegetação e cultivo), apesar de não ocorrer o mesmo nas bandas do visível (Tabela 3). As nuvens possuem médias bem distintas dos demais alvos em todas as bandas deste sensor, fazendo deste alvo bem diferenciavel na classificação, onde os melhores resultados foram obtidos com o classificador MaxVer, o que foi verificado nas imagens temáticas (Figura 2) e (Figura 3). Ambos os alvos restantes, solo e queimada, são melhores classificados com o MaxVer, pois suas médias e desvios-padrão são bem separáveis nas bandas 4 e 5, e nas demais bandas estes valores são próximos o suficiente para sofrerem erros pela Mínima Distância Euclidiana. Isto está evidenciado na Tabela 3. Tabela 3. Estatíticas da classificadação de vegetação. cultivos vegetação veg_densa nuvem agua_sombra solo queimada Banda
7 ISODATA Nesta parte do estudo utilizou-se um método não supervisionado de classificação para comparação com os resultado obtido com os métodos supervisionados realizados previamente. Para tal foram utilizados os seguintes parametros: 7 classes e 98.0% de convergência no ISODATA. Como resultado foi obtida a imagem da Figura 4, que tem as classes associadas com o verde à vegetação, azul as águas, laranja o solo, rosa queimada, cinza as sombras e as nuvens em preto. Figura 4. Imagem Classificada pelo método ISODATA. Com estes parâmetros temos uma imagem temática com 7 classes, porém houve a separação entre dois tipos de nuvens (Figura 5), e a diminuição, para uma única classe, do alvo vegetação, bem como uma classificação errada do alvo água (Figura 6). No alvo queimada obtivemos resultados aceitáveis com a verdade de campo, e com a imagem LANDSAT-TM5. Houve também uma satisfatória classificação do alvo solo, incluso demarcações entre vegetações o que evidência cultivos, indicando que há mais de um tipo de vegetação em toda imagem. Figura 5. Classificação de nuvem em duas classes pelo ISODATA. Figura 6. Classificação da vegetação como água pelo ISODATA. 439
8 Como mencionado anteriormente, com o ISODATA houve perda de informação na classificação do alvo água, em azul, onde, devido a resposta espectral, misturou-se com a sombra e a vegetação densa, e também houve a identificação, em marrom, de queimadas indevidas (Figura 7), enquanto que com o MaxVer houve uma classificação mais acurada (Figura 8). Figura 7. ISODATA, água/sombra e vegetação densa em azul e queimadas em marrom. Figura 8. MaxVer, queimadas em marrom, água/sombra em azul. As nuvens também sofreram deste mesmo tipo de erro com o ISODATA, pois este classificador identificou dois tipos de nuvens, ou seja, separou o núcleo do seu exterior (Figura 9), enquanto que o MaxVer os mantêve agrupados (Figura 10). Figura 9. ISODATA, nuvens separadas em duas classes. Figura 10. MaxVer, nuvens em uma única classe. 440
9 Anais 2º Simpósio de Geotecnologias no Pantanal, Corumbá, 7-11 novembro 2009, 5. Considerações Finais Com a finalidade de obter uma imagem temática adequada para uma posterior avaliação de acurácia entre os classificadores, definiram-se a priori parâmetros, os quais foram aplicados nos três métodos de classificação. Com o método não supervisionado (Figura 12) a classificação está disposta com a vegetação em verde, solo em laranja, preto água e sombra, marrom as queimadas, branco as nuvens, enquanto que nos métodos supervisionados (Figura 12 e Figura 13) a distribuição das classes tem no verde escuro a degetação densa, no verde claro a vegetação, no amarelo os cultivos, no marrom as queimadas, em branco as nuvens e com preto a sombra e água, e o solo em laranja. Com estes parâmetros e com o resultado dos classificadores ISODATA (Figura 11), MaxVer (Figura 12) e Mínima Distância Euclidiana (Figura 13) obtivemos as imagens temáticas abaixo, as quais por inspeção e comparação com a (Figura 1) nota-se a maior precisão do classificador MaxVer. Figura 11. Classificação pelo método ISODATA. Figura 12. Classificação pelo método MaxVer. Figura 13. Classificação pelo métodos da Mínima Distância Euclidiana. Para a validação da analise visual da acurácia dos classificadores, temos o índice Kappa igual a 92% de acurácia para o classificador MaxVer, sendo significativamente superior contra o índice Kappa de 85% gerado pela Mínima Distância Euclidiana. 6. Conclusão Para esta região, com estes parametros definidos a priori, o método ISODATA obteve a menor acurácia, aglomerando classes evidentemente separáveis através de uma simples inspeção visual. O método da Mínima Distância Euclidiana obteve melhor desempenho em relação ao ISODATA, isto verifica-se com uma inspeção visual entre as imagens temáticas e com as verdades de campo, porém obteve a acurácia global de 85%, inferior a acurácia da Máxima Verossimilhança. Para a região do Pantanal, ao se obter uma imagem onde é possível extrair um número de amostras representativas de cada classe, é concluído que o uso do classificador Máxima Verossimilhança mostra-se superior em relação aos demais métodos abordados. Isto é notável atravez da analise obtida com os indices Kappa e, mais empiricamente, com uma inspeção visual nas imagens temáticas geradas. 441
10 7. Referências Bolfe, E. L.; Pereira, R. S.; Madruga, P. R. A.; Fonseca, E. L. Avaliação da classificação digital de povoamentos florestais em imagens de satélite através de índices de acurácia. R. Árvore, Viçosa-MG, v.28, n.1, p.85-90, Congalton, R. G., and K. Green Assessing the Accuracy of Remotely Sensed Data: principles and practices. CRC Press, Boca Raton, FL. 58 pp. Crosta, A. P. Processamento digital de imagens de sensoriamento remoto. Campinas: IG/UNICAMP p. Figueiredo, S. M. M.; Cavalcante, L. M.; Valentim, J. F.; Figueiredo, E. O. Avaliação da acurácia de classificação digital de imagens no mapeamento de áreas de pastagens degradadas em Rio Branco, Acre. Anais... XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, abril 2009, INPE, p Motta, J. L. G.; Fontana, D. C.; Weber, E. Verificação da acurácia da estimativa de área cultivada com soja através de classificação digital em imagens Landsat. Story, M.; Congalton, R. G. Accuracy assessment: a user s perspective. Photogrametric Engineering and Remote Sensing, v. 52, n. 3, p ,
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA Rodrigo Moura Pereira¹ (UEG) Gustavo Henrique Mendes
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisAVALIAÇÃO DE TÉCNICAS CLASSIFICAÇÃO NA EXTRAÇÃO DE FEIÇÕES EM IMAGENS DE ALTA RESOLUÇÃO DO SENSOR AEROTRANSPORTADO ADS-80.
AVALIAÇÃO DE TÉCNICAS CLASSIFICAÇÃO NA EXTRAÇÃO DE FEIÇÕES EM IMAGENS DE ALTA RESOLUÇÃO DO SENSOR AEROTRANSPORTADO ADS-80. Marcelo Parise 1, Wandrevy Ribeiro dos Santos 2 1 Oceanólgo, Analista em C & T,
Leia maisAvaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG
Avaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG Mayra Luíza Marques da Silva 1 Geraldo Paulino Marques Pereira 2 1 Universidade
Leia maisAVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG Julierme Wagner da Penha Universidade Federal de Viçosa UFV juliermewagner@yahoo.com.br
Leia maisSENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE FEIRA DE SANTANA-BA
Revista do CERES Volume 1, Número 2 2015 http://www.cerescaico.ufrn.br/ceres/ SENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE
Leia maisCidade Universitária Zeferino Vaz Campinas - SP
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7324 Avaliação de classificadores para o mapeamento de uso da terra Ariadiny
Leia maisCOMPARAÇÃO TEMÁTICA DE IMAGENS FUSIONADAS E NÃO FUSIONADAS RESUMO ABSTRACT
COMPARAÇÃO TEMÁTICA DE IMAGENS FUSIONADAS E NÃO FUSIONADAS Júlio César Albuquerque Simões Belo 1 ; Mirelly de Oliveira Farias 2 ; João Rodrigues Tavares Junior 3 ; Ana Lúcia Bezerra Candeias 4 1,2,3,4
Leia maisCLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC
p. 001-007 CLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC RAPHAEL SOUZA RIBEIRO DENILSON DORTZBACH. JUAN ANTÔNIO ALTAMIRANO FLORES Universidade
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisCriação de mapa temático de uso da terra com diferentes classificadores. Gleyce Kelly Dantas Araújo 1 Jerry Adriani Johann 1,2 Jansle Vieira Rocha 1
Criação de mapa temático de uso da terra com diferentes classificadores Gleyce Kelly Dantas Araújo 1 Jerry Adriani Johann 1,2 Jansle Vieira Rocha 1 1 Universidade Estadual de Campinas - UNICAMP Caixa Postal
Leia maisVerificação da acurácia da estimativa de área cultivada com soja através de classificação digital em imagens Landsat
Verificação da acurácia da estimativa de área cultivada com soja através de classificação digital em imagens Landsat JOSÉ LUIS GAFFREÉ MOTTA 1 DENISE CYBIS FONTANA 2 ELISEU WEBER 3 13 Engenheiro Agronônomo,
Leia maisMapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões
Mapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões Luís Eduardo Ribeiro de Mendonça 1 Vicente Paulo Soares 1 José Marinaldo Gleriani
Leia maisMaria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França Ferreira 1
Imagens CBERS para o Monitoramento da 2 a Safra Agrícola de 2004 Município de Jataí Goiás Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França
Leia mais5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Leia maisAvaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS
http://dx.doi.org/10.12702/viii.simposfloresta.2014.131-592-1 Avaliação de métodos de classificação para o mapeamento de remanescentes florestais a partir de imagens HRC/CBERS Juliana Tramontina 1, Elisiane
Leia maisAna Paula Barbosa 1 Alessandra Fagioli da Silva 2 Célia Regina Lopes Zimback 2 Sérgio Campos 2.
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7286 Comparação de métodos de classificação de imagens, visando o gerenciamento
Leia maisESTIMATIVA DE ÁREA PLANTADA COM SOJA ATRAVÉS DE IMAGENS LANDSAT EM MUNICÍPIOS DO NORTE DO PARANÁ
ESTIMATIVA DE ÁREA PLANTADA COM SOJA ATRAVÉS DE IMAGENS LANDSAT EM MUNICÍPIOS DO NORTE DO PARANÁ LUCIANA MIURA SUGAWARA BERKA 1 BERNARDO FRIEDRICH THEODOR RUDORFF 1 1 INPE - Instituto Nacional de Pesquisas
Leia maisAlterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e DOMINIQUE PIRES SILVA
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e 2010. DOMINIQUE PIRES SILVA Universidade Federal Rural do Rio de Janeiro E-mail: nique_rhcp@hotmail.com
Leia maisAvaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre
Avaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre Regiane Maria Paes Ribeiro 1 Vicente Paulo Soares 2 Carlos Antônio Oliveira Vieira 2 1 Agência Nacional
Leia maisDesempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015
https://eventos.utfpr.edu.br//sicite/sicite2017/index Desempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015 RESUMO
Leia maisO Kappa está morto? Uma discussão sobre índices baseados em matrizes de confusão. Camilo Daleles Rennó
O Kappa está morto? Uma discussão sobre índices baseados em matrizes de confusão Camilo Daleles Rennó DPI-GEO-REFERATA São José dos Campos, 16 de setembro de 2015 Pontius X Congalton Congalton, R. G.;
Leia maisUSO DE IMAGENS TM LANDSAT 5 PARA ANÁLISE DO ALBEDO E SALDO DE RADIAÇÃO NA BACIA HIDROGRÁFICA DO CAMARAGIBE: DESTAQUE PARA SÃO LUIZ DO QUITUNDE-AL
USO DE IMAGENS TM LANDSAT 5 PARA ANÁLISE DO ALBEDO E SALDO DE RADIAÇÃO NA BACIA HIDROGRÁFICA DO CAMARAGIBE: DESTAQUE PARA SÃO LUIZ DO QUITUNDE-AL Laurizio Emanuel Ribeiro Alves 1 ; Heliofábio Barros Gomes
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Leia maisIMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Leia maisCamila Aguirre Góes 1 Wilson Lins de Mello Filho 2 Valquíria Quirino 1 Melissa Carvalho 3
Avaliação da acurácia de classificadores, utilizando técnica de fusão de bandas dos sensores ETM + /LANDSAT-7 e CCD/CBERS-1. Camila Aguirre Góes 1 Wilson Lins de Mello Filho 2 Valquíria Quirino 1 Melissa
Leia maisPROGRAMA DE ENSINO. 3 quadrimestre Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Código Semestre Ano Letivo 3 quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO
Leia maisTRATAMENTO DOS DADOS DE SATÉLITES
TRATAMENTO DOS DADOS DE SATÉLITES Fonte de radiação SISTEMA DE COLETA Trajetória ria PRODUTOS INTERAÇÃO SISTEMA TRATAMENTO AÇÕES Produto final Tratamento de imagem Consiste em aplicar determinadas técnicas
Leia maisMETODOLOGIA PARA O LEVANTAMENTO PRELIMINAR DE ÁREAS DE SOLOS EXPOSTO UTILIZANDO O SATÉLITE LANDSAT 5 TM+
METODOLOGIA PARA O LEVANTAMENTO PRELIMINAR DE ÁREAS DE SOLOS EXPOSTO UTILIZANDO O SATÉLITE LANDSAT 5 TM+ Márcio Malafia Filho DEGEO - UFJF (marciomalafaia@gmail.com); Rafael Pitangui do Prado Faria DEGEO/UFJF
Leia maisCOMPARAÇÃO DE ÁREAS ESTIMADAS POR CLASSIFICAÇÃO DIGITAL E ÁREAS MEDIDAS COM GPS EM LAVOURAS DE SOJA
COMPARAÇÃO DE ÁREAS ESTIMADAS POR CLASSIFICAÇÃO DIGITAL E ÁREAS MEDIDAS COM GPS EM LAVOURAS DE SOJA Comissão Técnica 5: Sensoriamento Remoto José Luis Gaffreé Motta 1 1 Engenheiro Agrônomo, Mestrando do
Leia maisAVALIAÇÃO DA QUALIDADE DE IMAGENS CBERS-2 E CBERS-2B ATRAVÉS CLASSIFICADOR ESTATÍSTICO
p. 001-000 AVALIAÇÃO DA QUALIDADE DE IMAGENS CBERS-2 E CBERS-2B ATRAVÉS CLASSIFICADOR ESTATÍSTICO CLAUDIONOR RIBEIRO DA SILVA 1 FABIANA SILVA PIRES DE CASTRO 2 JORGE ANTONIO SILVA CENTENO 3 1, 2, 3 Universidade
Leia maisJosé Alberto Quintanilha Mariana Giannotti
José Alberto Quintanilha jaquinta@usp.br Mariana Giannotti mariana.giannotti@usp.br Estrutura da Aula Momento Satélite (Apresentação de um novo satélite a cada aula) O que é uma imagem de satélite? O histograma
Leia maisAVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO DE IMAGENS ORBITAIS PARA A BACIA DO RIO JAGUARIBE-CE
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO DE IMAGENS ORBITAIS PARA A BACIA DO RIO JAGUARIBE-CE Marcio Regys Rabelo de Oliveira 1, Thales Rafael Guimarães Queiroz¹, Mayara Oliveira Rocha¹, Luís Clênio Jário
Leia maisINSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS PROGRAMA DE PÓS-GRADUAÇÃO EM SENSORIAMENTO REMOTO DIVISÃO DE PROCESSAMENTO DE IMAGENS SER-300: INTRODUÇÃO AO GEOPROCESSAMENTO Laboratório I: Modelagem da Base
Leia maisSimulação de uma banda pancromática para o sensor TM (Landsat 5), utilizando filtro combinado de restauração e interpolação.
Simulação de uma banda pancromática para o sensor TM (Landsat 5), utilizando filtro combinado de restauração e interpolação. Giovanni de Araujo Boggione 1 Érika Gonçalves Pires 1 Patrícia Azevedo dos Santos
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/45 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/45 Conteúdo programático: Capitulo 1: Conceitos
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 2 Detecção de alterações UFPR Departamento de Geomática Prof. Jorge Centeno O problema de deteção de mudanças É possível detectar as alterações em uma série de imagens orbitais
Leia maisEXPANSÃO AGROPECUÁRIA NA BACIA HIDROGRÁFICA DO RIO AREIAS, TOCANTINS.
26 a 29 de novembro de 2013 Campus de Palmas EXPANSÃO AGROPECUÁRIA NA BACIA HIDROGRÁFICA DO RIO AREIAS, TOCANTINS. Mariléia Lacerda Barros Silva¹, Emerson Figueiredo Leite². ¹Aluno do Curso de Geografia
Leia maisO PROJETO MUTIRÃO DE REFLORESTAMENTO E SEUS EFEITOS AMBIENTAIS NO MUNICÍPIO DO RIO DE JANEIRO.
O PROJETO MUTIRÃO DE REFLORESTAMENTO E SEUS EFEITOS AMBIENTAIS NO MUNICÍPIO DO RIO DE JANEIRO. Aluna: Renata Fernandes Teixeira Orientador: Bernardo Baeta Neves Strassburg Introdução Com o aumento populacional
Leia maisVALIDAÇÃO DAS CLASSIFICAÇÕES DAS IMAGENS DOS SATÉLITES LANDSAT 8 E SENTINEL-2 NA BACIA HIDROGRÁFICA DO CÓRREGO RIBEIRÃOZINHO/MS
VALIDAÇÃO DAS CLASSIFICAÇÕES DAS IMAGENS DOS SATÉLITES LANDSAT 8 E SENTINEL-2 NA BACIA HIDROGRÁFICA DO CÓRREGO RIBEIRÃOZINHO/MS VALIDATION OF CLASSIFICATIONS OF THE IMAGES OF THE LANDSAT 8 AND SENTINEL-2
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
Leia maisCLASSIFICAÇÃO PIXEL A PIXEL DE CULTIVOS CAFEEIROS EM IMAGEM DE SATÉLITE DE ALTA RESOLUÇÃO
CLASSIFICAÇÃO PIXEL A PIXEL DE CULTIVOS CAFEEIROS EM IMAGEM DE SATÉLITE DE ALTA RESOLUÇÃO RENNAN DE FREITAS BEZERRA MARUJO 1, TATIANA GROSSI CHQUILOFF VIEIRA 2, MARGARETE MARIN LORDELO VOLPATO 3, HELENA
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisMAPEAMENTO DO USO E COBERTURA DO SOLO DE DOIS VIZINHOS-PR NOS ANOS DE 1984 E 2011 ATRAVÉS DE IMAGENS ORBITAIS TM/LANDSAT 5
MAPEAMENTO DO USO E COBERTURA DO SOLO DE DOIS VIZINHOS-PR NOS ANOS DE 1984 E 2011 ATRAVÉS DE IMAGENS ORBITAIS TM/LANDSAT 5 Ricardo Dal Agnol da Silva 1*, Aline Bernarda Debastiani 2,3, Maurício de Souza
Leia maisEXATIDÃO DE CLASSIFICAÇÕES AUTOMÁTICAS DE UMA IMAGEM LANDSAT 5 TM PARA A REGIÃO CAFEEIRA DE MACHADO, MG
EXATIDÃO DE CLASSIFICAÇÕES AUTOMÁTICAS DE UMA IMAGEM LANDSAT 5 TM PARA A REGIÃO CAFEEIRA DE MACHADO, MG Walbert J. R. Santos¹; Tatiana G. C. Vieira²; Tiago Bernardes 3 ; Helena M. R. Alves 4 ; Sandra P.
Leia maisSensoriamento Remoto: introdução ao Processamento Digital de Imagens. Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho.
Sensoriamento Remoto: introdução ao Processamento Digital de Imagens Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho. Organização de uma imagem As imagens de sensoriamento remoto são
Leia maisO uso do Sensoriamento Remoto na agricultura
O uso do Sensoriamento Remoto na agricultura Autores do seminário: Giovanni Spezzano Santos João Gabriel Figueiredo Vinicius Otávio Bossi Wissam Akl Sensoriamento Remoto aplicado à agricultura Mauricio
Leia maisFACULDADE DE ENGENHARIA DE MINAS GERAIS SENSORIAMENTO REMOTO E AEROFOTOGRAMETRIA REVISÃO DE CONTEÚDO. Prof. Marckleuber
FACULDADE DE ENGENHARIA DE MINAS GERAIS SENSORIAMENTO REMOTO E AEROFOTOGRAMETRIA - 2011 REVISÃO DE CONTEÚDO Prof. Marckleuber -Diferença: Imagem de satélite X fotografia aérea -Satélite X Sensor X Radar
Leia maisLeandro Félix da Silva 1 Edwaldo Henrique Bazana Barbosa 1 Bruno de Miranda Nogueira 1 Vitor Matheus Bacani 1
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.6666 Análise do desempenho de classificadores semi-automáticos na detecção de
Leia maisCLASSIFICAÇÃO SUPERVISIONADA UTILIZANDO O SPRING VISANDO A AVALIAÇÃO TEMPORAL DO USO DO SOLO NO ESTADO DE PERNAMBUCO
CLASSIFICAÇÃO SUPERVISIONADA UTILIZANDO O SPRING VISANDO A AVALIAÇÃO TEMPORAL DO USO DO SOLO NO ESTADO DE PERNAMBUCO José Oscar Gomes da Paz 1 ; Rodolfo Jorge Bezerra 2 ; Hernande Pereira da Silva 3 ;
Leia maisMapeamento da cultura da soja com imagens Landsat 5/TM utilizando algoritmos de classificação supervisionada
Mapeamento da cultura da soja com imagens Landsat 5/TM utilizando algoritmos de classificação supervisionada Juliana Rezeck Ganan 1 Jansle Vieira Rocha 1 Erivelto Mercante 1 João Francisco Gonçalves Antunes
Leia maisCOMPARAÇÃO DE DIFERENTES CLASSIFICADORES E ESTRATÉGIAS DE PÓS-CLASSIFICAÇÕES NA ANALISE DO USO E COBERTURA DO SOLO NO MUNICÍPIO DE VIÇOSA - MG
COMPARAÇÃO DE DIFERENTES CLASSIFICADORES E ESTRATÉGIAS DE PÓS-CLASSIFICAÇÕES NA ANALISE DO USO E COBERTURA DO SOLO NO MUNICÍPIO DE VIÇOSA - MG MARIANA MÉDICE FIRME SÁ 1 EVERTON LUÍS POELKING 1 SANDRO H.
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisAnderson Ribeiro de Figueiredo Laurindo Antonio Guasselli Guilherme Garcia de Oliveira
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.3703 Avaliação da classificação digital de áreas de cultivo de bananas em imagem
Leia maisSensoriamento Remoto e Qualidade da Água
Sensoriamento Remoto e Qualidade da Água Fabricio Imamura Isabella Perri Brito Melissa Pegoraro Paola Martinelli AVALIAÇÃO DA QUALIDADE DA ÁGUA DO RESERVATÓRIO DE MANSO ATRAVÉS DO SENSORIAMENTO REMOTO
Leia maisSensoriamento Remoto I Engenharia Cartográfica. Prof. Enner Alcântara Departamento de Cartografia Universidade Estadual Paulista
Sensoriamento Remoto I Engenharia Cartográfica Prof. Enner Alcântara Departamento de Cartografia Universidade Estadual Paulista 2016 Coleta de dados de sensoriamento remoto A quantidade de radiação eletromagnética,
Leia maisCLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Leia maisARTIGO COM APRESENTAÇÃO BANNER - MONITORAMENTO AMBIENTAL
ARTIGO COM APRESENTAÇÃO BANNER - MONITORAMENTO AMBIENTAL ANÁLISE MULTITEMPORAL DA COBERTURA VEGETAL NO MUNICIPIO DE SÃO MIGUEL DO GUAMÁ, ESTADO DO PARÁ. RAYSSA CHAVES BRAGA, LAIS VIEIRA DE CARVALHO, MERILENE
Leia maisAVALIAÇÃO DO USO DO MODELO LINEAR DE MISTURA ESPECTRAL NA DISCRIMINAÇÃO DE FITOFISIONOMIAS DO CERRADO
AVALIAÇÃO DO USO DO MODELO LINEAR DE MISTURA ESPECTRAL NA DISCRIMINAÇÃO DE FITOFISIONOMIAS DO CERRADO Márcio Pupin de Mello 1, Gustavo Bayma Siqueira da Silva 1, Gabriel Pereira 1, Bruno Rodrigues do Prado
Leia maisClassificação de imagens. Qgis Plugin Semi-Automatic Classification Tool. Engenharia Ambiental Geoprocessamento Profa. Ligia F. A.
Classificação de imagens Qgis Plugin Semi-Automatic Classification Tool Engenharia Ambiental Geoprocessamento Profa. Ligia F. A. Batista Espectro Eletromagnético 10-10 10-8 10-4 10-1 1 102 103 104 105
Leia maisQuestões concursos
Questões concursos Grandezas radiométricas Índices de vegetação Classificação Concurso Público para Pesquisador do IMB Instituto Mauro Borges de Estatísticas e Estudos Socioeconômicos 25. A
Leia maisSensoriamento Remoto: Radiometria espectral e técnicas de análise de espectros. Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho.
Sensoriamento Remoto: Radiometria espectral e técnicas de análise de espectros Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho. Radiometria espectral A Radiometria é a medida quantitativa
Leia maisAvaliação de métodos de classificação em ortofotocartas digitais para identificação do uso e ocupação do solo
Avaliação de métodos de classificação em ortofotocartas digitais para identificação do uso e ocupação do solo Gesner Cardoso Porfírio 1 Giovanni de Araujo Boggione 1 1 Centro Federal de Educação Tecnológica
Leia maisClassificação digital de Imagens
Classificação digital de Imagens Workshop III - (Bio)Energia Florestas Energéticas: Técnicas de Inventariação de Biomassa Florestal Universidade de Évora 2 Junho 2010 Adélia Sousa (asousa@uevora.pt) Imagem
Leia maisANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE
ANALISE DE DADOS AMBIENTAIS POR MEIO DO USO DE IMAGENS DE SATÉLITE MAURICIO MARTORELLI GALERA UNIVERSIDADE ESTADUAL DE LONDRINA UEL INTRODUÇÃO A evolução tecnológica dos sistemas de imageamento remoto
Leia maisDeteção Remota Multiespetral
Deteção Remota Multiespetral Mestrado em Engenharia Geoespacial Mestrado em Sistemas de Informação Geográfica - TA João Catalão / Ana Navarro 2017/2018 Cap. 1 A Deteção Remota O que é da Deteção Remota
Leia maisComparação de métodos de classificação da cobertura do solo urbano utilizando imagens IKONOS II com e sem o auxílio de dados LiDAR
Comparação de métodos de classificação da cobertura do solo urbano utilizando imagens IKONOS II com e sem o auxílio de dados LiDAR Leonardo Rodrigues de Deus 1 Rafael Santos 1 Leila Maria G. Fonseca 1
Leia maisDaniela Arnold Tisot Antônio Roberto Formaggio Lênio Soares Galvão Camilo Daleles Rennó
Dados Hyperion e ETM + na classificação de alvos agrícolas com diferentes níveis de distinção espectral Daniela Arnold Tisot Antônio Roberto Formaggio Lênio Soares Galvão Camilo Daleles Rennó Instituto
Leia maisIdentificação e delimitação de áreas queimadas no Pantanal. Demerval Aparecido Gonçalves 1 Wilson Cabral de Sousa Júnior 1 Fabiano Morelli 2
Identificação e delimitação de áreas queimadas no Pantanal Demerval Aparecido Gonçalves 1 Wilson Cabral de Sousa Júnior 1 Fabiano Morelli 2 1 Instituto Tecnológico de Aeronáutica - ITA Praça Marecl Eduardo
Leia maisMonitoramento de soja através do uso de imagens de satélite: regiões de Tabaporã e de Sinop, Mato Grosso
Monitoramento de soja através do uso de imagens de satélite: regiões de Tabaporã e de Sinop, Mato Grosso Flávia de Souza Mendes 1 Elisabete Caria Moraes 2 Egídio Arai 2 Valdete Duarte 2 Yhasmin Mendes
Leia maisO PROJETO MUTIRÃO DE REFLORESTAMENTO E SEUS EFEITOS AMBIENTAIS NO MUNICÍPIO DO RIO DE JANEIRO.
O PROJETO MUTIRÃO DE REFLORESTAMENTO E SEUS EFEITOS AMBIENTAIS NO MUNICÍPIO DO RIO DE JANEIRO. Aluna: Renata Fernandes Teixeira Orientador: Bernardo Baeta Neves Strassburg Introdução Com o aumento populacional
Leia maisREVISÃO SENSORIAMENTO REMOTO AULA ZERO. Daniel C. Zanotta 14/03/2018
REVISÃO SENSORIAMENTO REMOTO AULA ZERO Daniel C. Zanotta 14/03/2018 O que é Sensoriamento Remoto? Arte e ciência da obtenção de informações sobre um objeto, através de radiação eletromagnética, sem contato
Leia mais09/03/2017. O que é Sensoriamento Remoto? Tipos de Sensoriamento Remoto REVISÃO SENSORIAMENTO REMOTO AULA ZERO. Satélites.
REVISÃO SENSORIAMENTO REMOTO AULA ZERO Daniel C. Zanotta 09/03/2017 O que é Sensoriamento Remoto? Arte e ciência da obtenção de informações sobre um objeto, através de radiação eletromagnética, sem contato
Leia maisCLASSIFICAÇÃO DE ORTOFOTO DIGITAL OBTIDA COM VANT FOTOGRAMÉTRICO PARA MAPA DE USO E OCUPAÇÃO DO SOLO.
CLASSIFICAÇÃO DE ORTOFOTO DIGITAL OBTIDA COM VANT FOTOGRAMÉTRICO PARA MAPA DE USO E OCUPAÇÃO DO SOLO. João Edson C. F. da SILVA1; Mosar F. BOTELHO2 RESUMO A propriedade temática dos mapas trata da concepção
Leia maisLição VI A CLASSIFICAÇÃO DA BACIA HIDROGRÁFICA DO RIO IBICUÍ
Lição VI A CLASSIFICAÇÃO DA BACIA HIDROGRÁFICA DO RIO IBICUÍ - 69 - Nesta lição estudaremos como se pode criar um mapa da bacia do rio Ibicuí, que nos mostre, por exemplo: água, vegetação e área agrícola.para
Leia maisFERRAMENTAS ESTATÍSTICAS PARA ANÁLISE DA CLASSIFICAÇÃO
Objetivos: - QUANTIFICAR OS ERROS COMETIDOS NA CLASSIFICAÇÃO - MEDIR A QUALIDADE DO TRABALHO FINAL - AVALIAR A APLICABILIDADE OPERACIONAL DA CLASSIFICAÇÃO Fontes de erro das classificações temáticas Os
Leia maisDiscordância global e análise de índices de acurácia para avaliação de mapeamentos de área de cana-de-açúcar no Paraná
Discordância global e análise de índices de acurácia para avaliação de mapeamentos de área de cana-de-açúcar no Paraná Clóvis Cechim Júnior 1 Jerry Adriani Johann 1 João Francisco Gonçalves Antunes 2 1
Leia maisFigura 1 - Abrangência espacial do Bioma Cerrado. Fonte: Adaptado de Scariot et al. (2005).
IDENTIFICAÇÃO DE ÁREAS DESMATADAS ATRAVÉS DE SEGMENTAÇÃO E CLASSIFICAÇÃO DE IMAGENS DO MODELO LINEAR DE MISTURA ESPECTRAL APLICADO A DADOS DO SENSOR LANDSAT 5/TM, NO MUNICÍPIO DE SAPEZAL-MT. Bruno Rodrigues
Leia maisMapeamento da cana-de-açúcar na Região Centro-Sul via imagens de satélites
Geotecnologias Mapeamento da cana-de-açúcar na Região Centro-Sul via imagens de satélites 79 Bernardo Friedrich Theodor Rudorff 1 Luciana Miura Sugawara 2 Resumo - Mesmo com o potencial das imagens de
Leia maisGERAÇÃO DE UMA CARTA COM VALORES DE ESCOAMENTO SUPERFICIAL A PARTIR DE SENSORIAMENTO REMOTO
GERAÇÃO DE UMA CARTA COM VALORES DE ESCOAMENTO SUPERFICIAL A PARTIR DE SENSORIAMENTO REMOTO Rômulo M. AMORIM 1 ; Fábio L. ALBARICI 2 ; Miguel A. I. DEL PINO 3 ; RESUMO O escoamento superficial de uma área
Leia maisPMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO
UNIVERSIDADE DE SÃO PAULO Escola Politécnica Departamento de Engenharia de Minas e de Petróleo PMI Graduação em Engenharia de Petróleo PMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO PROCESSAMENTO
Leia maisAvaliação da influência do número de amostras de treinamento no índice Kappa
Avaliação da influência do número de amostras de treinamento no índice Kappa Maola Monique Faria 1 Ligia Tavares de Souza 1 Elpidio Inácio Fernandes Filho 1 Márcio Rocha Francelino 1 1 Universidade Federal
Leia maisEXTRAÇÃO DE TELHADOS DE BARRO EM IMAGENS DE ALTA RESOLUÇÃO CLAY ROOF EXTRACTION IN HIGH RESOLUTION IMAGES
EXTRAÇÃO DE TELHADOS DE BARRO EM IMAGENS DE ALTA RESOLUÇÃO Roberto Neres Quirino de Oliveira 1 Ana Lúcia Bezerra Candeias 2 1 Universidade Federal de Pernambuco UFPE Graduação Engª Cartográfica roberto.qoliveira@ufpe.br
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/55 Mapeamento do uso do solo para manejo de propriedades rurais Prática Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/55 Conteúdo programático: Capitulo 1: Conceitos
Leia maisCampus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisTÉCNICAS DE SENSORIAMENTO REMOTO NA ANÁLISE TEMPORAL PARA A GESTÃO TERRITORIAL DO MUNICÍPIO DE TIMON-MA
p. 001-005 TÉCNICAS DE SENSORIAMENTO REMOTO NA ANÁLISE TEMPORAL PARA A GESTÃO TERRITORIAL DO MUNICÍPIO DE TIMON-MA ANTONIO CELSO DE SOUSA LEITE FELIPE THIAGO NERES DE SOUSA SENA BENAVENUTO JOSÉ SANTIAGO
Leia maisEcologia de Paisagem Conceitos e métodos de pesquisa 2012
Ecologia de Paisagem Conceitos e métodos de pesquisa 2012 Bases de sensoriamento remoto Cálculo de métricas com Fragstats Leandro Reverberi Tambosi letambosi@yahoo.com.br Sensoriamento Remoto Conjunto
Leia maisCaroline Leão 1 Lilian Anne Krug 1 Milton Kampel 1 Leila Maria Garcia Fonseca 1
Avaliação de métodos de classificação em imagens TM/Landsat e CCD/CBERS para o mapeamento do uso e cobertura da terra na região costeira do extremo sul da Bahia Caroline Leão 1 Lilian Anne Krug 1 Milton
Leia maisAnálise comparativa do desempenho de algoritmos de classificação para o mapeamento de áreas de cultivo de banana
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7509 Análise comparativa do desempenho de algoritmos de classificação para o
Leia maisMapeamento urbano por classificação hierárquica semi-automática baseada em objetos
Mapeamento urbano por classificação hierárquica semi-automática baseada em objetos Francine da Rocha Rossoni 1 Valéria Jardim Pires 1 Daniel Zanotta 1,2 1 Instituto Federal de Educação Ciência e Tecnologia
Leia maisVERIFICAÇÃO DA EXATIDÃO EM CLASSIFICAÇÃO DIGITAL DE POVOAMENTOS FLORESTAIS EM IMAGEM ORBITAL MEDIANTE TRÊS ÍNDICES
VERIFICAÇÃO DA EXATIDÃO EM CLASSIFICAÇÃO DIGITAL DE POVOAMENTOS FLORESTAIS EM IMAGEM ORBITAL MEDIANTE TRÊS ÍNDICES ÉDSON LUIS BOLFE 1 ELIANA LIMA DA FONSECA 1 RUDINEY SOARES PEREIRA 2 PEDRO ROBERTO DE
Leia maisUso de SIG para confecção de um mapa de uso e ocupação do solo do município de Bambuí-MG
Uso de SIG para confecção de um mapa de uso e ocupação do solo do município de Bambuí-MG Ana Carolina Toledo Rocha (1) ; Sérgio Augusto Alves Rodrigues Barbosa (1) ; Jairo Rodrigues Silva (2) (1) Mestrandos
Leia maisFundamentos de Sensoriamento Remoto
UNIVERSIDADE DO ESTADO DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL DISCIPLINA: Geoprocessamento para aplicações ambientais e cadastrais Fundamentos de Sensoriamento Remoto Profª. Adriana
Leia maisMAPEAMENTO DE ÁREAS CAFEEIRAS DO SUL DE MINAS GERAIS MACHADO E TRÊS PONTAS MAPPING OF COFFEE AREAS SOUTH OF MINAS GERAIS - MACHADO AND TRÊS PONTAS
MAPEAMENTO DE ÁREAS CAFEEIRAS DO SUL DE MINAS GERAIS MACHADO E TRÊS PONTAS Rafael de Brito Sousa 2 ; Tatiana Grossi Chquilof Vieira 3 ; Helena Maria Ramos Alves 4 ; Margarete Marin Lordelo Volpato 5 ;
Leia maisGeomática e SIGDR aula teórica 25 14/05/2013. Interpretação de imagens de detecção remota Índices de vegetação
Geomática e SIGDR aula teórica 25 14/05/2013 Interpretação de imagens de detecção remota Índices de vegetação Manuel Campagnolo ISA Manuel Campagnolo (ISA) Geomática e SIGDR 2012-2013 14/05/2013 1 / 18
Leia maisAPLICAÇÃO DO SENSORIAMENTO REMOTO NA AVALIAÇÃO DA QUALIDADE VISUAL DA PAISAGEM: PRIMEIROS RESULTADOS EXPERIMENTAIS
APLICAÇÃO DO SENSORIAMENTO REMOTO NA AVALIAÇÃO DA QUALIDADE VISUAL DA PAISAGEM: PRIMEIROS RESULTADOS EXPERIMENTAIS GERALDO SANTOS LANDOVSKY 1,4 HIDEO ARAKI 2,4 DANIELA BIONDI BATISTA 3,4 1 Curso de Pós-graduação
Leia mais